机器学习模型的开发和时间验证,以预测临床恶化
Henry P Foote1, Zohaib Shaikh2,3, Daniel Witt2,4
1Divisions of Pediatric Cardiology.
Hospital pediatrics
|December 6, 2023
概括
使用电子健康记录的新机器学习模型可以比目前的方法更早地预测儿科患者的临床恶化. 这种先进的工具有望改善在住院儿童中早期发现关键事件.
科学领域:
- 儿科重症监护医药 儿科重症监护医药
- 医疗信息学 医疗信息学
- 机器学习在医疗保健中的应用
背景情况:
- 儿科住院患者现有的早期预警分数具有可变的性能和有限的临床特征利用.
- 预测住院儿童的临床恶化对于及时干预和改善结果至关重要.
研究的目的:
- 开发和评估使用电子健康记录数据的机器学习模型,以预测儿科住院患者的临床恶化.
- 将机器学习模型的性能与机构的儿科早期预警分数 (I-PEWS) 进行比较.
主要方法:
- 一个回顾性队列的17,630儿科遭遇被用于模型开发.
- 两种机器学习模型,光梯度增强机 (LGBM) 和随机森林,对542个特征进行了训练.
- 模型与使用内部和时间验证队列的机构儿科早期预警分数 (I-PEWS) 进行了比较.
主要成果:
- 与I-PEWS相比,LGBM模型在预测计划外的ICU转移或死亡率的复合结果方面表现出卓越的表现,与I-PEWS相比,接收器操作特征曲线 (AUROC) 下的面积更高 (0.785与0.708在时间验证中).
- 机器学习模型为检测恶化事件提供了显著更长的带头时间 (中位数为11小时而不是3小时).
- 然而,在时间验证队列中,LGBM模型具有较低的积极预测值 (6%对29%) 和需要评估的数字 (17对3) 在时间验证队列中较高.
结论:
- 基于电子健康记录的机器学习模型显示,与I-PEWS相比,儿童住院患者的临床恶化准确度 (AUROC) 和早期检测 (领先时间) 提高了.
- 该模型可以提前24至48小时预测关键事件.
- 需要进一步的研究来增强该模型的积极预测价值,以获得成功的临床整合.
